爬虫重点题

Posted 2021-03-06 tian-cai-1996

1.掌握哪些基于爬虫的模块？

- 网络请求：urllib，requests，aiohttp

- 数据解析：re，xpath，bs4，pyquery

- selenium

- js逆向：pyexcJs

2.常见的数据解析方式

- xpath，bs4

3.列举在爬虫过程中遇到的哪些比较难的反爬机制

- 动态加载的数据

- 动态变化的请求参数

- js加密

- 代理

- cookie

4.概述如何抓取动态加载数据

- 基于抓包工具进行全局搜索

- 如果动态加载的数据是密文，则全局搜索是搜索不到

5.移动端数据抓取

- fiddler，appnium，网络配置

6.抓取过哪些类型的数据，量级多少？

- 电商，医疗器械，彩妆，新闻资讯，金融，体育赛事（参考hao123网站）

- 量级：

- 最好不要超过100w。自己计算（页数，一页显示多少数据）

7.了解哪些爬虫框架？（pyspider）

- scrapy，pyspider

8.谈谈对scrapy的了解

- 功能：数据解析，持久化存储，深度爬取，分布式，关键件

- 五大核心组件的作用和工作流程

 

9.如何解析出携带标签的局部页面数据

- bs4

10.scrapy核心组件

- spider，引擎，调度器，下载器，管道

11.scrapy中间件的应用

- 作用：拦截请求和响应

- 拦截请求：设置代理

 

12.如何实现全站数据爬取

- 基于手动请求发送+递归解析

- 基于CrwalSpider（LinkExtractor，Rule）

 

13.如何检测网站数据更新？

- 增量式爬虫

 

14.分布式实现原理

- 基于scrapy-redis实现的分布式。

15.如何提升爬取数据的效率（异步爬虫）

- 使用框架

- 线程池，多任务的异步协程

- 分布式

16.列举你接触的反爬机制

- 10个反爬机制

17.scrapy中什么是深度优先和广度优先（优劣）

- 默认情况下scrapy是深度优先。

- 深度优先：占用空间大，但是运行速度快

- 广度优先：占用空间少，运行速度慢

18.scrapy如何实现持久化存储

- 解析数据

- 将解析的数据封装到item中

- 将item提交管道

- 在管道中持久化存储

- 开启管道

19.谈谈对crawlspider的理解，如何使用其进行深度爬取

- 链接提取器&规则解析器

 

20.如何实现数据清洗

- 清洗空值（缺失值）

- 将空对应的行数据删除.dropna

- 使用近邻值填充空值.fillna

- 清洗重复值

- 重复的行数据删除：drop_duplicates()

- 清洗异常值

- 一定要有一个判定异常值的条件

 

21.了解过机器学习吗

- 特征工程

- 特征预处理

- 归一化，标准化

- 特征值化

- 将非数值型的数据转换成数值型的数据

- 降维

- sklean框架

- 线性回归，KNN，贝叶斯

- 补充：

1.树模型：决策树

2.集成模型：随机森林

- 深度学习框架：

-  tensorflow

22 在爬虫中为什么需要是用selenium？selenium和爬虫之间的关联是什么？

- 爬取动态加载的数据

- 模拟登录

23 列举你所熟知的selenium模块中的常用方法及其作用

24 解释在多任务异步协程中事件循环（loop）的作用是什么？

- 可以将注册在其内部的任务对象表示的特定操作进行异步执行

 

25 多任务异步协程是如何实现异步的？

- 一个任务对象就是一个协程也是一组特定的操作，将任务对象注册到事件循环中，就可以异步的执行每一组特定的操作

- wait方法，await关键字

26.验证码如何处理？

- 打码平台

27.scrapy 和 scrapy-redis 有什么区别？

- scrapy-redis这个组件可以给scrapy框架提供共享的管道和调度器实现分布式爬虫

28.说一说打开浏览器访问 www.baidu.com 获取到结果，整个流程。

29.列出你知道 header 的内容以及信息

- User-Agent

- Connection

30.scrapy的去重原理

需要将dont_filter设置为False开启去重，默认是False；

对于每一个url的请求，调度器都会根据请求的相关信息加密得到一个指纹信息，并且将指纹信息和set()集合中得指纹信息进行比对，如果set()集合中已经存在这个数据，就不在将这个Request放入队列中。如果set()集合中没有，就将这个Request对象放入队列中，等待被调度。